字节跳动Seed团队近期宣布开源多模态理解和生成模型BAGEL，该模型支持文本、图像和视频的统一处理。BAGEL拥有70亿激活参数（总计140亿），经过大规模交错多模态数据训练，在多模态理解领域超越了Qwen2.5-VL和InternVL-2.5等顶级开源模型，同时在文本到图像生成质量上媲美专业生成器SD3。

BAGEL基于大语言模型训练，具备推理与对话能力，可处理混合输入并输出高质量图像、视频或图文内容。其长思维链COT模式允许模型先“思考”再生成，例如成功生成了一个穿着毛衣的鳄鱼玩偶。此外，BAGEL在图像编辑中展现出保留细节与捕捉复杂运动的能力，并能通过少量对齐数据实现风格迁移和场景转换。

更进一步，BAGEL具备世界建模基础能力，可完成世界导航、未来帧预测及3D世界生成等任务，同时支持多轮对话与复杂功能组合，为视觉内容创作开辟新路径。